سرمایه گذاری و مقیاس‌دهی به ایجنت های سازمانی

شرکت IBM با همکاری AWS، سه مؤلفه بنیادین برای مقیاس‌پذیر کردن ایجنت های سازمانی هوش مصنوعی را بررسی کرده‌است.

ساخت مزیت رقابتی با ایجنت های سازمانی هوش مصنوعی

سازمان‌ها آماده‌اند از ظرفیت‌های تحول‌آفرین ایجنت های سازمانی هوش مصنوعی بهره بگیرند؛ اما مقیاس‌دادن به تأثیر این فناوری، چیزی فراتر از به‌کارگیری هوش مصنوعی در فرایندهای قدیمی یا ایجاد تغییرات جزئی در سیستم‌های موجود است. سیستم‌های ایجنتیک از ابتدا برای خودمختاری طراحی شده‌اند؛ آن‌ها می‌توانند در جریان انجام کارها، به‌صورت بلادرنگ اقدام کنند، بیاموزند و خود را با شرایط جدید تطبیق دهند.
همان‌طور که در پژوهش‌های پیشین مؤسسه IBM برای ارزش کسب‌وکار (IBM Institute for Business Value – IBM IBV) نیز مطرح شده است، ایجنت های سازمانی هوش مصنوعی به یک مدل عملیاتی جدید نیاز دارد؛ مدلی که از پایه و با هدف پشتیبانی از تصمیم‌گیری‌های راهبردی در لحظه و ایجاد همکاری یکپارچه میان انسان و هوش مصنوعی در حوزه‌های مختلف سازمان طراحی شده باشد. اکنون زمان آن رسیده است که ماشین عملکرد بالای آینده را بسازیم؛ جایی که ایجنت‌های هوش مصنوعی بتوانند در قالب سیستم‌های چندایجنتیِ هماهنگ، به‌صورت خودمختار در سراسر عملیات سازمان فعالیت کنند.
ایجنت های سازمانی هوش مصنوعی به یک مدل عملیاتی جدید نیاز دارد؛ مدلی که از پایه برای تصمیم‌گیری راهبردی و بلادرنگ طراحی شده باشد.

شکاف رقابتی در حال شکل‌گیری است

شکاف رقابتی از همین حالا در حال شکل‌گیری است. مؤسسه IBM برای ارزش کسب‌وکار در مطالعه‌ای با مشارکت بیش از ۱۰۰۰ مدیر ارشد اجرایی (C-suite) در سراسر جهان دریافت که اگرچه بیشتر سازمان‌ها در حال بررسی و آزمایش ایجنت های سازمانی هوش مصنوعی هستند، تعداد کمی از آن‌ها آمادگی لازم برای مقیاس‌دهی این فناوری را دارند.
در تمامی مؤلفه‌های حیاتی مدل عملیاتی، از زیرساخت و حاکمیت گرفته تا آمادگی نیروی انسانی، کمتر از نیمی از شرکت‌ها اعلام کرده‌اند که در حال حاضر به مرحله مقیاس‌دهی یا بهینه‌سازی رسیده‌اند.
با این حال، بلندپروازی سازمان‌ها کاملاً مشهود است. ۸۰ درصد مدیران ارشد در حال افزایش سرمایه‌گذاری خود روی ایجنت های سازمانی هوش مصنوعی هستند و پیش‌بینی می‌شود میزان این هزینه‌کرد تا سال ۲۰۲۷ تقریباً سه برابر شود. اما بدون وجود چارچوب‌های فنی مناسب، راهبردهای داده‌ای قدرتمند و برنامه‌های اجرایی مشخص، بخش قابل‌توجهی از این سرمایه‌گذاری‌ها ممکن است در مرحله اثبات مفهوم (Proof of Concept) باقی بماند؛ یعنی به جای ایجاد تحول در سراسر سازمان، تنها به شکل مجموعه‌ای از ارزش‌های پراکنده و محدود در بخش‌های مختلف ظاهر شود.
در دو سال آینده، ۷۲ درصد مدیران ارشد انتظار دارند ایجنت های سازمانی هوش مصنوعی قابلیت‌های فناورانه جدیدی ایجاد کند که بتواند مدل‌های کسب‌وکار و ساختار صنایع را متحول سازد.

سازمان‌های پیشرو چگونه از سرمایه‌گذاری به تأثیرگذاری می‌رسند؟

تحلیل ما گروهی از سازمان‌های پیشرفته‌تر را شناسایی کرده است که توانسته‌اند سرمایه‌گذاری خود در این حوزه را به نتایج واقعی در تعامل با مشتری و نوآوری تبدیل کنند.
این سازمان‌ها چند ویژگی مشترک دارند: رهبری متعهد، مدل‌های عملیاتی پیشرفته و رویکردی سنجیده به همکاری انسان و هوش مصنوعی. آن‌ها سیستم‌های ایجنتیک پیشرفته را با هدفی مشخص و در راستای نیازهای واقعی سازمان یکپارچه می‌کنند.
این سازمان‌ها همچنین اعتماد بیشتری به قابلیت‌های سیستم‌های چندایجنتی (Multi-Agent Systems) دارند، مدیریت مدل‌های هوش مصنوعی را با رویکردی راهبردی‌تر انجام می‌دهند و در ایجاد زیرساخت‌های مقیاس‌پذیر و قابل تعامل (Interoperable)، فاصله قابل‌توجهی با سایر سازمان‌ها ایجاد کرده‌اند.
این گزارش که با همکاری Amazon Web Services (AWS) تهیه شده است، به سازمان‌ها در تمام سطوح بلوغ کمک می‌کند تا آمادگی خود را برای به‌کارگیری ایجنت‌های خودمختار افزایش دهند.
در این گزارش، سه مؤلفه اساسی را بررسی می‌کنیم که تعیین می‌کنند آیا ایجنت های سازمانی هوش مصنوعی می‌تواند به یک موتور عملکرد و بهره‌وری سازمان تبدیل شود یا خیر:

۱. شاسی؛ چارچوب فنی و راهبردی

نخستین مؤلفه، شاسی (Chassis) یا همان چارچوب فنی و راهبردی است.
شاسی، یک چارچوب امن، باز و یکپارچه است که ایجنت‌ها، مدل‌های هوش مصنوعی و سیستم‌های مختلف سازمان را در سراسر کسب‌وکار به یکدیگر متصل می‌کند. این چارچوب از ارکستراسیون (Orchestration)، تعامل‌پذیری (Interoperability) و مقیاس‌پذیری (Scalability) پشتیبانی می‌کند و زیرساخت لازم برای فعالیت هماهنگ ایجنت‌ها در سطح سازمان را فراهم می‌سازد.

۲. سوخت؛ جریان داده باکیفیت و تحت حاکمیت در ایجنت های سازمانی هوش مصنوعی

دومین مؤلفه، سوخت (Fuel) است؛ یعنی جریان‌های داده باکیفیت و تحت حاکمیت سازمانی که تصمیم‌گیری تطبیقی و هوشمند را تغذیه می‌کنند.
برای آنکه ایجنت های سازمانی هوش مصنوعی بتوانند به‌صورت مؤثر تصمیم بگیرند و خود را با شرایط متغیر تطبیق دهند، داده‌ها باید به‌صورت یکپارچه در اختیار آن‌ها قرار داشته باشند، دسترسی به آن‌ها امکان‌پذیر باشد و جریان داده در سراسر سازمان به شکل بلادرنگ (Real-Time) برقرار شود.
بنابراین، کیفیت داده، یکپارچگی داده، دسترسی‌پذیری و جریان مداوم اطلاعات، نقشی اساسی در عملکرد سیستم‌های ایجنتیک ایفا می‌کنند.
۳. پیشرانه؛ همکاری انسان و ایجنت های سازمانی هوش مصنوعی
سومین مؤلفه، پیشرانه (Powertrain) یا همان همکاری میان انسان و هوش مصنوعی است؛ عاملی که ظرفیت بالقوه فناوری را به نتایج قابل‌اندازه‌گیری تبدیل می‌کند.
این همکاری زمانی بیشترین ارزش را ایجاد می‌کند که اقدامات سیستم‌های ایجنتیک با شاخص‌های کلیدی عملکرد (KPIs) هم‌راستا شوند و سازوکارهای مشخصی برای مسئولیت‌پذیری در سازمان وجود داشته باشد.
در چنین مدلی، هوش مصنوعی صرفاً یک ابزار برای اجرای وظایف نیست؛ بلکه بخشی از یک سیستم عملیاتی جدید است که در آن انسان و ایجنت های سازمانی هوش مصنوعی در کنار یکدیگر برای دستیابی به اهداف مشخص سازمانی فعالیت می‌کنند.
راهنمای اقدام برای آمادگی در عصر ایجنت های سازمانی هوش مصنوعی
رهبرانی که این سه مؤلفه را به‌درستی طراحی و اجرا کنند، می‌توانند سریع‌تر با تغییرات سازگار شوند، عمیق‌تر نوآوری کنند و در مقیاس کل سازمان به نتایج واقعی دست یابند.
در مقابل، سازمان‌هایی که این تحول را جدی نگیرند، ناگزیر خواهند بود همچنان در حال بهینه‌سازی مدل عملیاتی دیروز باقی بمانند.

رهبران در دو سال آینده از ایجنت های سازمانی هوش مصنوعی انتظارات بالایی دارند

مدیران ارشد، ایجنت های سازمانی هوش مصنوعی را نه صرفاً ابزاری برای بهبودهای تدریجی در عملیات، بلکه شتاب‌دهنده‌ای برای تحول کسب‌وکار می‌دانند. در دو سال آینده، نزدیک به سه‌چهارم رهبران کسب‌وکار، یعنی ۷۲ درصد، انتظار دارند ایجنت های سازمانی هوش مصنوعی قابلیت‌های فناورانه جدیدی ایجاد کند که بتواند مدل‌های کسب‌وکار و ساختار صنایع را متحول سازد. همچنین ۷۰ درصد معتقدند این فناوری محصولات و خدمات کاملاً جدیدی ایجاد خواهد کرد و ۶۸ درصد انتظار دارند ایجنت های سازمانی هوش مصنوعی امکان شخصی‌سازی در مقیاس گسترده برای مشتریان را فراهم کند.
این بلندپروازی‌ها بر پایه تصویری روشن از نحوه عملکرد ایجنت های سازمانی هوش مصنوعی در آینده شکل گرفته‌اند. رهبران، همکاری چندایجنتی (Multi-Agent Collaboration) را یکی از قابلیت‌های محوری این فناوری می‌دانند:
• ۷۵ درصد معتقدند ایجنت‌های مختلف قادر خواهند بود بخش‌های متفاوت مسائل پیچیده را به‌صورت تخصصی حل کنند و در نهایت راهکارهایی غنی‌تر و جامع‌تر ارائه دهند.
• ۷۴ درصد انتظار دارند این سیستم‌ها بینش‌های جامع‌تری ارائه کنند که به بهبود تصمیم‌گیری منجر شود.
ا ۷۳ درصد معتقدند سیستم‌های چندایجنتی در محیط‌های پویا سریع‌تر خود را با شرایط تطبیق خواهند داد و در نتیجه تاب‌آوری سازمانی افزایش خواهد یافت.
رهبران همچنین انتظار دارند ایجنت‌ها با سرعت زیادی به بلوغ برسند و خودمختارتر و سازگارتر شوند:
• ۷۷ درصد انتظار دارند ایجنت‌ها از طریق یادگیری، به‌طور مستمر عملکرد خود را بهبود دهند.
• ۷۳ درصد انتظار دارند این ایجنت‌ها با سازوکارهای داخلی برای پاسخگویی و شفافیت فعالیت کنند.
• ۶۹ درصد انتظار دارند ایجنت‌ها در جریان‌های کاری یکپارچه، تصمیم‌های خودمختار اتخاذ کنند.
به‌طور خلاصه، رهبران خود را برای آینده‌ای نزدیک آماده می‌کنند که در آن سیستم‌های ایجنت های سازمانی هوش مصنوعی با سرعت بالا یاد می‌گیرند، با یکدیگر همکاری می‌کنند و خود را با شرایط تطبیق می‌دهند؛ آینده‌ای که شیوه انجام کار و چگونگی خلق ارزش را دگرگون خواهد کرد.

شاسی: چرا معماری ایجنت های سازمانی هوش مصنوعی برای دنیای چندمدلی حیاتی است؟

ایجنت های سازمانی هوش مصنوعی قواعد معماری سازمانی را تغییر می‌دهد.
هوش مصنوعی سنتی اغلب بر الگوریتم‌های ازپیش‌برنامه‌ریزی‌شده در راهکارهای مستقل و مجزا متکی است؛ راهکارهایی که گاهی تنها با استفاده از یک مدل، وظایف مشخصی را به‌صورت جداگانه حل می‌کنند.
در مقابل، هوش مصنوعی مولد (Generative AI) و استفاده از مدل‌های زبانی بزرگ (LLM) به زیرساخت‌های قدرتمندتری نیاز دارد تا بتواند قابلیت‌های چندوجهی (Multimodal)، مانند پردازش متن، صوت و ویدئو، و همچنین نیازهای محاسباتی گسترده‌تر را پشتیبانی کند.
اما ایجنت‌های خودمختار به چیزی اساساً متفاوت نیاز دارند: تعامل پویا میان چندین مدل و چندین وجه داده، تبادل اطلاعات در لحظه و قابلیت تغییر زمینه و وظیفه بر اساس شرایط.
موفقیت در این حوزه مستلزم معماری‌هایی است که از ابتدا برای ارکستراسیون (Orchestration) طراحی شده باشند؛ معماری‌هایی که در آن ایجنت‌ها بتوانند بدون نیاز به مداخله دائمی انسان، به‌صورت خودمختار میان پلتفرم‌ها و سیستم‌های مختلف هماهنگ شوند و فعالیت کنند.
بیشتر رهبران می‌دانند به معماری باز و امن از ابتدا نیاز دارند، اما تعداد کمی آن را ساخته‌اند
بیشتر رهبران می‌دانند این زیرساخت برای موفقیت حیاتی است، اما ساخت آن هنوز در مراحل ابتدایی قرار دارد.
سه‌چهارم رهبران، یعنی ۷۶ درصد، معتقدند یک معماری باز و امن از ابتدا (Open, Secure-by-Design Architecture) برای محیط‌های هوش مصنوعی ایجنتیک چندمدلی ضروری است؛ محیط‌هایی که در آن اثرات شبکه‌ای از طریق همکاری و اشتراک‌گذاری داده میان مدل‌ها و ایجنت‌های متنوع شکل می‌گیرد.
همچنین بیش از دوسوم رهبران، یعنی ۶۹ درصد، معتقدند چنین معماری‌ای موجب افزایش شفافیت، تعامل‌پذیری و سرعت نوآوری می‌شود.
با این حال، زمانی که صحبت از پیاده‌سازی قابلیت‌های تعامل‌پذیری و مقیاس‌پذیری به میان می‌آید، کمتر از یک‌سوم سازمان‌ها اعلام کرده‌اند که این قابلیت‌ها را تا حد زیادی پیاده‌سازی کرده‌اند.
تعداد کمی از سازمان‌ها معماری لازم برای تعامل‌پذیری و مقیاس‌پذیری ایجنت های سازمانی هوش مصنوعی را در اختیار دارند.
درصدها نشان‌دهنده سازمان‌هایی است که هر یک از این قابلیت‌ها را تا حد زیادی پیاده‌سازی کرده‌اند.
شکاف میان سازمان‌های بالغ‌تر و کم‌بلوغ‌تر در زمینه زیرساخت‌های فنی قابل‌توجه است.
در گروه سازمان‌های پیشرفته‌تر، ۸۹ درصد از سازمان‌ها امکان یکپارچه‌سازی روان و بدون اصطکاک مدل‌های متنوع هوش مصنوعی را فراهم کرده‌اند؛ در حالی که این رقم در میان کم‌بلوغ‌ترین سازمان‌ها تنها ۵۸ درصد است.
همچنین ۸۵ درصد از سازمان‌های پیشرفته‌تر دارای زیرساخت‌های مقیاس‌پذیری هستند که می‌تواند از بارهای کاری پیچیده هوش مصنوعی پشتیبانی کند؛ در مقابل، این میزان در میان سازمان‌های کم‌پیشرفته‌تر ۵۲ درصد است.
این تفاوت‌های چشمگیر، مرز میان سازمان‌هایی را نشان می‌دهد که برای مقیاس‌دهی هوش مصنوعی آماده‌اند و سازمان‌هایی که همچنان با چالش‌های اولیه یکپارچه‌سازی مدل‌ها دست‌وپنجه نرم می‌کنند.

قابلیت‌های کلیدی معماری ایجنت های سازمانی هوش مصنوعی

در محیطی که با سرعت زیادی در حال تغییر است و سازمان‌ها ترکیبی متنوع از مدل‌های اختصاصی، مدل‌های پایه شخص ثالث و گزینه‌های متن‌باز را به کار می‌گیرند، معماری باید قابلیت‌های اساسی زیر را فراهم کند:

۱. تعامل‌پذیری و ارکستراسیون

ایجنت‌ها باید بتوانند در سیستم‌های مختلف و میان انواع مدل‌ها، اطلاعات را با یکدیگر به اشتراک بگذارند، اقدامات را هماهنگ کنند و وظایف را به یکدیگر واگذار کنند.
۶۲ درصد رهبران می‌دانند که معماری سازمان آن‌ها به لایه‌های ارکستراسیونی نیاز دارد که جریان داده، تعامل میان مدل‌ها و تغییر پویای وظایف را مدیریت کند. با این حال، ۶۱ درصد نیز یکپارچه‌سازی و ارتباط روان میان مدل‌ها را یکی از چالش‌های اصلی می‌دانند.
یک معماری مستقل از مدل (Model-Agnostic)، مانند پلتفرم‌های ارکستراسیون مبتنی بر کانتینر که مدل‌ها را در واحدهای استاندارد و قابل‌انتقال بسته‌بندی می‌کنند، می‌تواند از انواع مختلف مدل‌ها پشتیبانی کند و به آن‌ها اجازه دهد بدون اصطکاک در کنار یکدیگر فعالیت کنند.

۲. مقیاس‌پذیری و انعطاف‌پذیری ایجنت های سازمانی هوش مصنوعی

مقیاس‌دهی الاستیک (Elastic Scaling) برای مدیریت بارهای کاری متنوع هوش مصنوعی ایجنتیک ضروری است.
۴۷ درصد مدیران ارشد برای دستیابی به مقیاس‌پذیری و انعطاف‌پذیری به پلتفرم‌های ابری روی آورده‌اند، در حالی که ۴۴ درصد در حال ارزیابی زیرساخت‌های خود برای شناسایی و رفع شکاف‌های موجود در قابلیت‌ها هستند.
معماری‌های ابری و هیبریدی این امکان را فراهم می‌کنند که مدل‌های سنگین و نیازمند توان محاسباتی بالا در کنار مدل‌های سبک‌تر اجرا شوند، ایجنت‌های جدید با سرعت بیشتری یکپارچه شوند و ارتباط امن با شرکای اکوسیستم برقرار شود.
این معماری‌ها میان انطباق‌پذیری و کنترل از یک سو و گسترش‌پذیری و انعطاف‌پذیری از سوی دیگر تعادل ایجاد می‌کنند تا سازمان بتواند خود را با نیازهای در حال تحول سازگار کند.

۳. امنیت

مدیران ارشد، حریم خصوصی و امنیت داده‌ها را مهم‌ترین چالش در پیاده‌سازی ایجنت های سازمانی هوش مصنوعی می‌دانند؛ با این حال، تنها ۳۸ درصد از سازمان‌ها امنیت را در تمام مراحل چرخه عمر هوش مصنوعی، از توسعه تا استقرار، به‌صورت یکپارچه در نظر گرفته‌اند.
یک معماری امن از ابتدا (Secure-by-Design) از داده‌های حساس محافظت می‌کند، امکان مدیریت الزامات انطباق را فراهم می‌سازد و لایه بنیادی لازم برای فعالیت ایمن ایجنت‌های خودمختار را ایجاد می‌کند.
این معماری شامل ادغام مستقیم رمزنگاری، کنترل‌های دسترسی و شناسایی تهدیدها در زیرساخت است؛ به‌گونه‌ای که با گسترش استفاده از ایجنت‌ها در سراسر سازمان، سطح امنیت نیز بتواند به‌صورت خودکار مقیاس پیدا کند.

۴. اعتماد و شفافیت

تصمیم‌گیری خودمختار مستلزم مشاهده‌پذیری و پاسخگویی است.
۷۳ درصد مدیران ارشد انتظار دارند ایجنت های سازمانی هوش مصنوعی تا سال ۲۰۲۷ بتوانند در فرایند تصمیم‌گیری، پاسخگویی و شفافیت ایجاد کنند.
برای تحقق این هدف، سازمان‌ها به معماری‌های فنی نیاز دارند که بتوانند رفتار ایجنت‌ها را در لحظه پایش کنند، مسیر تصمیم‌گیری آن‌ها را ثبت کنند و ردپای حسابرسی (Audit Trail) ایجاد کنند؛ به‌گونه‌ای که مشخص باشد یک اقدام خودمختار چگونه و چرا انجام شده است.
بدون شفافیت تعبیه‌شده در معماری، حتی پیشرفته‌ترین ایجنت‌ها نیز ممکن است به «جعبه‌های سیاه» (Black Boxes) تبدیل شوند؛ سیستم‌هایی که می‌توانند اعتماد کاربران را کاهش دهند و مانع پذیرش گسترده فناوری شوند.

معماری پلتفرم شما، سرعت رقابت شما را تعیین خواهد کرد

در عصر ایجنت های سازمانی هوش مصنوعی ، معماری تعیین می‌کند که با چه سرعتی مقیاس‌پذیر می‌شوید، تا چه اندازه می‌توانید نوآوری کنید و چگونه در رقابت پیروز شوید.
سازمان‌های پیشرو، تصمیم‌های معماری خود را آگاهانه و هدفمند اتخاذ می‌کنند. آن‌ها چارچوبی امن، باز و انعطاف‌پذیر می‌سازند که می‌تواند پروژه‌های آزمایشی هوش مصنوعی ایجنتیک را به ارزش واقعی در مقیاس کل سازمان تبدیل کند.
در مقابل، سازمان‌هایی که امروز برای ساخت این زیرساخت تصمیم نگیرند، در آینده همچنان درگیر محدودیت‌های معماری و مدل عملیاتی گذشته خواهند بود.
«ایجاد قابلیت تحلیل اخلاقی در ایجنت های سازمانی هوش مصنوعی صرفاً به معنای انجام کار درست نیست؛ بلکه به معنای جلوگیری از آن است که این سیستم‌های خودمختار، با سرعت و مقیاسی ماشینی، تصمیم‌هایی اتخاذ کنند که با ارزش‌های انسانی در تضاد باشند.»
مدیر ارشد فناوری (CTO)، تولیدکننده محصولات الکترونیکی

پایش و ممیزی بلادرنگ، اعتماد به تصمیم‌گیری خودمختار را تقویت می‌کند

برای ایجاد اعتماد و شفافیت در ایجنت های سازمانی هوش مصنوعی، سازمان‌ها باید قابلیت‌های پایش و ممیزی را از همان ابتدای طراحی، در سیستم‌های خودمختار تعبیه کنند. نظارت مؤثر بر تصمیم‌گیری خودمختار به مجموعه‌ای از قابلیت‌های فنی کلیدی نیاز دارد که در کنار یکدیگر عمل می‌کنند:
و محدودکننده‌های بلادرنگ و اجرای سیاست‌ها (Real-Time Guardrails & Policy Enforcement): سیستم‌های حاکمیت خودکار می‌توانند قوانین و سیاست‌ها را در سراسر سیستم‌های سازمان اجرا کنند و اقدامات ناسازگار با الزامات را هم‌زمان با وقوع شناسایی و اصلاح کنند. این سازوکارهای کنترلی به‌صورت مستمر در پس‌زمینه فعالیت می‌کنند و کمک می‌کنند ایجنت‌های خودمختار در محدوده پارامترهای تأییدشده باقی بمانند، بدون آنکه سرعت تصمیم‌گیری کاهش پیدا کند.

ا ثبت جامع فعالیت‌ها (Comprehensive Activity Logging): هر اقدامی که سیستم‌های خودمختار انجام می‌دهند، از جمله فراخوانی APIها، دسترسی به داده‌ها و محرک‌های تصمیم‌گیری، باید در گزارش‌های دقیق ممیزی ثبت شود. این کار یک مسیر کامل و قابل ردیابی ایجاد می‌کند که به تیم‌ها اجازه می‌دهد منشأ تصمیم‌ها را دنبال کنند، ناهنجاری‌ها را بررسی کنند و در جریان ارزیابی‌های نظارتی، انطباق سازمان با الزامات را اثبات کنند.

پایش مستمر و شناسایی تهدیدها (Continuous Monitoring & Threat Detection): پلتفرم‌های پیشرفته پایش می‌توانند الگوهای فعالیت خودمختار را به‌صورت بلادرنگ تحلیل کرده و رفتارهای مشکوک یا انحراف از عملیات عادی را شناسایی کنند. هنگامی که این ابزارها با سیستم‌های هوشمند هشداردهی ترکیب شوند، می‌توانند پیش از تشدید مشکلات، پاسخ‌های خودکار یا مداخله انسانی را فعال کنند.

• کنترل دسترسی دقیق و جزئی (Fine-Grained Access Control): سیستم‌های مدیریت هویت و دسترسی (IAM) امکان کنترل دقیق بر این موضوع را فراهم می‌کنند که ایجنت‌های خودمختار چه کاری را، چه زمانی و تحت چه شرایطی می‌توانند انجام دهند. مجوزهای مبتنی بر نقش و مرزهای دسترسی پویا کمک می‌کنند ایجنت‌ها تنها در محدوده تعیین‌شده خود فعالیت کنند و در عین حال بتوانند با تغییر نیازهای کسب‌وکار سازگار شوند.

• ارکستراسیون جریان کار همراه با نقاط کنترل انسانی (Workflow Orchestration with Human Checkpoints): برای تصمیم‌های حساس و دارای پیامدهای مهم، پلتفرم‌های ارکستراسیون می‌توانند فرایندهای تأیید را به‌گونه‌ای در جریان کار قرار دهند که پیش از اجرای برخی اقدامات، بررسی و تأیید انسان الزامی باشد. این سیستم‌ها میان بهره‌وری ناشی از خودمختاری و نظارت انسانی تعادل برقرار می‌کنند و کمک می‌کنند تصمیم‌های حیاتی از بررسی و ارزیابی متناسب برخوردار شوند.

نتیجه، ایجاد یک رویکرد لایه‌ای است که پایش، ثبت رویدادها، کنترل دسترسی و مدیریت جریان کار را با یکدیگر ترکیب می‌کند تا تصمیم‌های خودمختار شفاف، قابل‌ردیابی و منطبق با سیاست‌های داخلی و مقررات خارجی باشند. این رویکرد، بنیان اعتماد لازم برای مقیاس‌دهی هوش مصنوعی ایجنتیک در سراسر سازمان را فراهم می‌کند.

 اقتباس از مقالات شرکت IBM در حوزه هوش مصنوعی

حسین نوریان، مشاور مدیریت استراتژیک با رویکرد تحول دیجیتال

استفاده از مطالب فوق تنها با ذکر منبع مجاز است.

این مطلب را هم مطالعه نمایید: